Flink随数据流动的四种StreamElement简述

短命女 2023-05-28 15:53 79阅读 0赞

Flink为了完成不同的任务，在DataStream中流动的不止是我们的业务数据StreamRecord，还有其余三种标记，分别是Watermark，StreamStatus，LatencyMarker。这四个类继承自StreamElement。

(注：有些人可能有疑惑，checkpoint barrier不是插入了数据流中吗？是的，checkpoint barrier也是随着数据流动，但是它不属于StreamElement的体系，Flink对其进行单独处理)

## **下面分别对四种类型进行介绍** ##

### StreamRecord ###

StreamRecord就是业务数据的一个包装类，在其value属性中存储从数据源中获取的数据。同时为这条数据附加了timestamp和hasTimestamp属性。

### Watermark ###

watermark大家都比较熟悉了，在使用事件时间语义时，watermark起到推进时间进度，触发窗口计算的作用。

当某个watermark流动到某个operator时，表示小于watermark的数据都已经到达，可以触发窗口计算，触发定时器。也可以根据watermark处理迟到数据。如果出现watermark的值为Long.MAX\_VALUE时，代表对应的数据源关闭了。

### **StreamStatus** ###

当我们的程序中有多条输入流时，由于watermark更新时会选择其中的最小值，如果有一条输入流没有数据了，水印也就不会更新，那么下游就无法触发计算，为了解决这个问题，引入了StreamStatus。

StreamStatus用来表示某一条数据流的状态：

StreamStatus.ACTIVE\_STATUS 表示当前数据流处于活动状态

StreamStatus.IDLE\_STATUS 表示当前输入流处于闲置状态

当一条输入流处理IDLE状态时，其不会再向下游发送数据和水印，下游在进行水印更新的时候，会忽略掉这条闲置流。这样就不会影响正常的数据处理逻辑。下游可以继续工作。

当闲置的数据流有了新的数据，其就会转变为ACTIVE\_STATUS。因为水印是不能倒退的，所以只有这条流的watermark大于等于上次触发窗口计算的watermark时，才会参与本次的最小水印选择。

### **LatencyMarker** ###

Flink为了监控数据处理延迟，在source端周期性插入LatencyMarker，其内部的markedTime属性表示了创建的时间。随着数据的流动，每当一个operator收到LatencyMarker时，就会用当前时间 - marker.getMarkedTime() 将结果报告给指标收集系统，然后把这个LatencyMarker向下游转发。

要注意使用LatencyMarker探测出的延迟并不是端到端延迟，因为其转发没有经过用户逻辑。LatencyMarker会直接emit。由于业务数据处理和LatencyMarker的处理是同步的，随着数据流的流动，其结果和端到端延迟近似。